CN111383768B - 医疗数据回归分析方法、装置、电子设备及计算机可读介质 - Google Patents
医疗数据回归分析方法、装置、电子设备及计算机可读介质 Download PDFInfo
- Publication number
- CN111383768B CN111383768B CN201811619280.9A CN201811619280A CN111383768B CN 111383768 B CN111383768 B CN 111383768B CN 201811619280 A CN201811619280 A CN 201811619280A CN 111383768 B CN111383768 B CN 111383768B
- Authority
- CN
- China
- Prior art keywords
- regression
- data
- factor
- type
- factor regression
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 78
- 238000000611 regression analysis Methods 0.000 title claims abstract description 43
- 230000001419 dependent effect Effects 0.000 claims abstract description 77
- 238000011119 multifactor regression analysis Methods 0.000 claims abstract description 35
- 238000004458 analytical method Methods 0.000 claims description 14
- 230000004083 survival effect Effects 0.000 claims description 14
- 238000013459 approach Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 238000007619 statistical method Methods 0.000 abstract description 22
- 238000012545 processing Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- 208000005718 Stomach Neoplasms Diseases 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 5
- 206010017758 gastric cancer Diseases 0.000 description 5
- 238000012417 linear regression Methods 0.000 description 5
- 238000007477 logistic regression Methods 0.000 description 5
- 201000011549 stomach cancer Diseases 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 238000000556 factor analysis Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 239000008280 blood Substances 0.000 description 3
- 210000004369 blood Anatomy 0.000 description 3
- 210000000988 bone and bone Anatomy 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- BHPQYMZQTOCNFJ-UHFFFAOYSA-N Calcium cation Chemical compound [Ca+2] BHPQYMZQTOCNFJ-UHFFFAOYSA-N 0.000 description 2
- 229910001424 calcium ion Inorganic materials 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 206010019375 Helicobacter infections Diseases 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 235000006694 eating habits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000005111 flow chemistry technique Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本公开涉及一种医疗数据回归分析方法、装置、电子设备及计算机可读介质。该方法包括:获取自变量数据,因变量数据与配置数据;根据所述因变量数据的数据类型确定目标多因素回归种类;根据所述配置数据确定目标多因素回归方式;以及基于所述目标多因素回归种类、所述目标多因素回归方式对所述自变量数据与所述因变量数据进行多因素回归分析,生成数据多因素回归结果。本公开涉及的医疗数据回归分析方法、装置、电子设备及计算机可读介质,能够针对输入的数据,自动选用适合的多因素统计分析方法进而生成多因素统计分析结果。
Description
技术领域
本公开涉及数据处理领域,具体而言,涉及一种医疗数据回归分析方法、装置、电子设备及计算机可读介质。
背景技术
多因素回归分析属于高级统计分析方法,在目前主流的统计软件(如SAS、SPSS、STATS、R-studio)中,多因素回归的操作更加复杂,需要用户进行很多复杂配置或者编程操作,而且需要用户具有高级统计分析知识。
医疗中包含着很多极其有价值的临床统计数据,但是统计学知识薄弱的临床科研研究者使用上述统计软件的时间成本往往很高。一些科研经验较少的临床医生甚至不知道何时使用何种多因素统计分析方法。现在虽然有很多能够对医疗数据进行处理的辅助软件,但是目前的辅助软件均集中在对医疗数据中的信息提取方面,目前已有的医疗数据处理软件均不支持在其数据库中直接进行统计分析,必须导出到excel或者csv中,并且经过数据预处理才能在统计软件中做分析。在进行数据分析的时候,用户还需要根据数据的种类,结合自身的经验选择要分析的具体的变量与具体的统计分析方法,目前医学研究者无法在临床数据系统中方便地知晓数据情况,往往经过一系列的导出、数据处理后在统计软件中发现真实数据的情况不符合预期,会浪费很多时间;而且也有可能由于医学研究者自己的统计学知识欠缺,而错误的选择了变量或统计方法,从而导致分析数据的错误。
因此,需要一种新的医疗数据回归分析方法、装置、电子设备及计算机可读介质。
在所述背景技术部分公开的上述信息仅用于加强对本公开的背景的理解,因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
有鉴于此,本公开提供一种医疗数据回归分析方法、装置、电子设备及计算机可读介质,能够针对输入的数据,自动选用适合的多因素统计分析方法进而生成多因素统计分析结果。
本公开的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本公开的实践而习得。
根据本公开的一方面,提出一种医疗数据回归分析方法,该方法包括:由医疗数据中获取自变量数据,因变量数据与配置数据;根据所述因变量数据的数据类型确定目标多因素回归种类;根据所述配置数据确定目标多因素回归方式;以及基于所述目标多因素回归种类、所述目标多因素回归方式对所述自变量数据与所述因变量数据进行多因素回归分析,生成数据多因素回归结果。
在本公开的一种示例性实施例中,所述因变量数据的数据类型包括连续型,分类型,时间类型,以及生存时间类型;根据所述因变量数据的数据类型确定目标多因素回归种类包括:在所述数据类型为连续型时,所述目标多因素回归为线性多因素回归;在所述数据类型为分类型时,所述目标多因素回归为逻辑多因素回归;以及在所述数据类型为时间类型或生存时间类型时,所述目标多因素回归为比例风险多因素回归。
在本公开的一种示例性实施例中,根据所述配置数据确定目标多因素回归方式包括:根据所述配置数据将目标多因素回归方式确定为逐步回归方式;或根据所述配置数据将目标多因素回归方式确定为非逐步回归方式。
在本公开的一种示例性实施例中,还包括:根据所述因变量数据的数据类型确定目标单因素回归种类;以及基于所述目标单因素回归种类对所述自变量数据与所述因变量数据进行单因素回归分析,生成数据单因素回归结果。
在本公开的一种示例性实施例中,根据所述配置数据确定目标多因素回归方式包括:根据所述数据单因素回归结果与所述配置数据确定目标多因素回归方式。
在本公开的一种示例性实施例中,基于所述目标多因素回归种类、所述目标多因素回归方式对所述自变量数据与所述因变量数据进行多因素回归分析,生成数据多因素回归结果包括:通过所述配置数据确定显著性阈值;通过所述数据单因素回归结果中的大于显著性阈值的自变量数据生成部分自变量数据;基于所述目标多因素回归种类、所述目标多因素回归方式对所述部分自变量数据与所述因变量数据进行多因素回归分析,生成数据多因素回归结果。
在本公开的一种示例性实施例中,基于所述目标多因素回归种类、所述目标多因素回归方式对所述自变量数据与所述因变量数据进行多因素回归分析,生成数据多因素回归结果包括:在所述目标多因素回归种类为比例风险多因素回归时;以及根据用户的操作自动获取用于风险多因素回归的生存时间变量。
根据本公开的一方面,提出一种医疗数据回归分析装置,该装置包括:数据模块,用于由医疗数据中获取自变量数据,因变量数据与配置数据;种类模块,用于根据所述因变量数据的数据类型确定目标多因素回归种类;方式模块,用于根据所述配置数据确定目标多因素回归方式;以及分析模块,用于基于所述目标多因素回归种类、所述目标多因素回归方式对所述自变量数据与所述因变量数据进行多因素回归分析,生成数据多因素回归结果。
根据本公开的一方面,提出一种电子设备,该电子设备包括:一个或多个处理器;存储装置,用于存储一个或多个程序;当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如上文的方法。
根据本公开的一方面,提出一种计算机可读介质,其上存储有计算机程序,该程序被处理器执行时实现如上文中的方法。
根据本公开的医疗数据回归分析方法、装置、电子设备及计算机可读介质,根据因变量数据的数据类型确定目标多因素回归种类;根据配置数据确定目标多因素回归方式;基于目标多因素回归种类、目标多因素回归方式对所述自变量数据与所述因变量数据进行多因素回归分析,生成数据多因素回归结果的方式,能够针对输入的数据,自动选用适合的多因素统计分析方法进而生成多因素统计分析结果。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性的,并不能限制本公开。
附图说明
通过参照附图详细描述其示例实施例,本公开的上述和其它目标、特征及优点将变得更加显而易见。下面描述的附图仅仅是本公开的一些实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据一示例性实施例示出的一种医疗数据回归分析方法及装置的系统场景框图。
图2是根据一示例性实施例示出的一种医疗数据回归分析方法的流程图。
图3是根据另一示例性实施例示出的一种医疗数据回归分析方法的流程图。
图4是根据另一示例性实施例示出的一种医疗数据回归分析方法的示意图。
图5是根据一示例性实施例示出的一种医疗数据回归分析装置的框图。
图6是根据一示例性实施例示出的一种电子设备的框图。
图7是根据一示例性实施例示出一种计算机可读存储介质示意图。
具体实施方式
现在将参考附图更全面地描述示例实施例。然而,示例实施例能够以多种形式实施,且不应被理解为限于在此阐述的实施例;相反,提供这些实施例使得本公开将全面和完整,并将示例实施例的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。
此外,所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中,提供许多具体细节从而给出对本公开的实施例的充分理解。然而,本领域技术人员将意识到,可以实践本公开的技术方案而没有特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知方法、装置、实现或者操作以避免模糊本公开的各方面。
附图中所示的方框图仅仅是功能实体,不一定必须与物理上独立的实体相对应。即,可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解,而有的操作/步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。
应理解,虽然本文中可能使用术语第一、第二、第三等来描述各种组件,但这些组件不应受这些术语限制。这些术语乃用以区分一组件与另一组件。因此,下文论述的第一组件可称为第二组件而不偏离本公开概念的教示。如本文中所使用,术语“及/或”包括相关联的列出项目中的任一个及一或多者的所有组合。
本领域技术人员可以理解,附图只是示例实施例的示意图,附图中的模块或流程并不一定是实施本公开所必须的,因此不能用于限制本公开的保护范围。
图1是根据一示例性实施例示出的一种医疗数据回归分析方法及装置的系统场景框图。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
医护人员可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如医疗数据分析平台、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
医护人员可通过终端设备101、102、103由医疗数据中获取自变量数据,因变量数据与配置数据,终端设备101、102、103可例如根据所述因变量数据的数据类型确定目标多因素回归种类;终端设备101、102、103可例如根据所述配置数据确定目标多因素回归方式;终端设备101、102、103可例如基于所述目标多因素回归种类、所述目标多因素回归方式对所述自变量数据与所述因变量数据进行多因素回归分析,生成数据多因素回归结果。
服务器105可以是提供各种服务的服务器,例如对医护人员利用终端设备101、102、103所提供的医疗数据进行数据分析的后台服务器。服务器105可以对接收到的医疗数据进行分析等处理,并将处理结果(可例如为图表等形式)反馈给终端设备。
医护人员可通过终端设备101、102、103生成医疗数据,终端设备101、102、103可例如将医疗数据转发至服务器105中,服务器105可例如由医疗数据中获取自变量数据,因变量数据与配置数据;服务器105可例如根据所述因变量数据的数据类型确定目标多因素回归种类;服务器105可例如根据所述配置数据确定目标多因素回归方式;以及服务器105可例如基于所述目标多因素回归种类、所述目标多因素回归方式对所述自变量数据与所述因变量数据进行多因素回归分析,生成数据多因素回归结果。
服务器105可以是一个实体的服务器,还可例如为多个服务器组成,需要说明的是,本公开实施例所提供的医疗数据回归分析方法可以由服务器105和/或终端设备101、102、103执行,相应地,医疗数据回归分析装置可以设置于服务器105和/或终端设备101、102、103中。而提供给用户进行医疗数据输入的请求端一般位于终端设备101、102、103中。
根据本公开的医疗数据回归分析方法、装置、电子设备及计算机可读介质,根据因变量数据的数据类型确定目标多因素回归种类;根据配置数据确定目标多因素回归方式;基于目标多因素回归种类、目标多因素回归方式对所述自变量数据与所述因变量数据进行多因素回归分析,生成数据多因素回归结果的方式,能够针对输入的数据,自动选用适合的多因素统计分析方法进而生成多因素统计分析结果。
临床科研工作者和医学统计分析工作者可以在不具备多因素回归知识的情况下,利用本公开的医疗数据回归分析方法及装置,通过简单的操作,即可合理运用多因素分析方法对医疗数据进行分析。
图2是根据一示例性实施例示出的一种医疗数据回归分析方法的流程图。医疗数据回归分析方法20至少包括步骤S202至S208。
如图2所示,在S202中,由医疗数据中获取自变量数据,因变量数据与配置数据。医疗数据可例如为来源于真实世界临床数据库中获取数据。医疗数据可对应于不同的测量指标数据,比如血液中某项元素的含量,骨骼中某个物质的含量等等。
其中,任何一个系统(或模型)都是由各种变量构成的,在分析这些系统(或模型)时,可以选择研究其中一些变量对另一些变量的影响,那么被选择的这些变量就称为自变量,而被影响的量就被称为因变量。
在数学中,y=f(x),在这一方程中自变量是x,因变量是y。将这个方程运用到心理学的研究中,自变量是指研究者主动操纵,而引起因变量发生变化的因素或条件,因此自变量被看作是因变量的原因。自变量有连续变量和类别变量之分。自变量可具有不同的类别,可例如自变量为连续变量的话,则得到的结果是函数型实验;自变量是类别变量的话,则得到的结果是是因素型的实验。
更具体的,在本公开中,自变量可为某项具体的指标,因变量可为与这项指标相关的其他指标,可例如自变量为血液中的钙离子浓度,因变量为骨骼中的钙离子浓度等等。
在S204中,根据所述因变量数据的数据类型确定目标多因素回归种类。其中,所述因变量数据的数据类型包括连续型,分类型,时间类型,以及生存时间类型。
在一个实施例中,在所述数据类型为连续型时,所述目标多因素回归为线性多因素回归。线性多因素回归也可称为多元回归,在回归分析中,如果有两个或两个以上的自变量,就称为多元回归。事实上,一种现象常常是与多个因素相联系的,由多个自变量的最优组合共同来预测或估计因变量,比只用一个自变量进行预测或估计更有效,更符合实际。因此多元线性回归比一元线性回归的实用意义更大。
在一个实施例中,在所述数据类型为分类型时,所述目标多因素回归为逻辑多因素回归。逻辑多因素回归又称logistic回归分析,是一种广义的线性回归分析模型,常用于数据挖掘,疾病自动诊断,经济预测等领域。例如,探讨引发疾病的危险因素,并根据危险因素预测疾病发生的概率等。以胃癌病情分析为例,选择两组人群,一组是胃癌组,一组是非胃癌组,两组人群必定具有不同的体征与生活方式等。因此因变量就为是否胃癌,值为“是”或“否”,自变量就可以包括很多了,如年龄、性别、饮食习惯、幽门螺杆菌感染等。自变量既可以是连续的,也可以是分类的。然后通过logistic回归分析,可以得到自变量的权重,从而可以大致了解到底哪些因素是胃癌的危险因素。同时根据该权值可以根据危险因素预测一个人患癌症的可能性。
在一个实施例中,在所述数据类型为时间类型或生存时间类型时,所述目标多因素回归为比例风险多因素回归。比例风险多因素回归又称为COX回归,该模型以生存结局和生存时间为应变量,可同时分析众多因素对生存期的影响,能分析带有截尾生存时间的资料,且不要求估计资料的生存分布类型。由于上述优良性质,该模型自问世以来,在医学随访研究中得到广泛的应用,是迄今生存分析中应用最多的多因素分析方法。
在S206中,根据所述配置数据确定目标多因素回归方式。
在一个实施例中,可例如,根据所述配置数据将目标多因素回归方式确定为逐步回归方式;逐步回归的基本思想是将变量逐个引入模型,每引入一个解释变量后都要进行检验,并对已经选入的解释变量逐个进行检验,当原来引入的解释变量由于后面解释变量的引入变得不再显著时,则将其删除。以确保每次引入新的变量之前回归方程中只包含显著性变量。这是一个反复的过程,直到既没有显著的解释变量选入回归方程,也没有不显著的解释变量从回归方程中剔除为止。以保证最后所得到的解释变量集是最优的。
在一个实施例中,可例如,根据所述配置数据将目标多因素回归方式确定为非逐步回归方式。非逐步回归方式为未剔除回归方程中非显著性变量的回归方式。
在S208中,基于所述目标多因素回归种类、所述目标多因素回归方式对所述自变量数据与所述因变量数据进行多因素回归分析,生成数据多因素回归结果。
根据获取到的因变量类型,自动选择线性回归、逻辑回归、cox回归中的一种,再根据系统获取的用户所选取的多因素回归分析配置,对分析流程做出相应调整,调用相应的多因素回归分析的代码,生成统计分析结果。还可将生成的多因素统计分析结果返回至用户终端,以表格和图表的形式展现结果。
根据本公开的医疗数据回归分析方法,通过在用户终端获取用户欲分析的变量及变量类型,自动选择正确的多因素回归方法用于多因素统计分析,使得用户无需知道此种情况下应该使用何种多因素回归方法,便能快速得到正确的分析结果,并且提供结果解读在结果的下方,帮助用户理解多因素分析方法被选择的原因与统计分析结果意义。
应清楚地理解,本公开描述了如何形成和使用特定示例,但本公开的原理不限于这些示例的任何细节。相反,基于本公开公开的内容的教导,这些原理能够应用于许多其它实施例。
图3是根据另一示例性实施例示出的一种医疗数据回归分析方法的流程图。图3所示的流程是对图2所示的流程20中“根据所述配置数据确定目标多因素回归方式”的更进一步的说明。
如图3所示,在S302中,根据所述因变量数据的数据类型确定目标单因素回归种类。可根据因变量数据的数据类型,选择相应的单因素回归方法。连续型的因变量选择线性单因素回归分析方法,分类型的因变量选择逻辑单因素回归分析方法,时间类型或者生存时间类型的因变量选择cox单因素回归分析方法。
在S304中,基于所述目标单因素回归种类对所述自变量数据与所述因变量数据进行单因素回归分析,生成数据单因素回归结果。通过上述确定的单因素回归分析方法将接收到的因变量数据与自变量数据作为输入,可调用嵌入了R语言的算法系统中与上述单因素回归方法相对应的R算法,生成计算结果。
在S306中,通过所述配置数据确定显著性阈值。可例如,根据用户在多因素回归分析中的配置,后端系统会判断是否只筛选出单因素回归分析结果p值>0.05的自变量作为多因素回归分析的输入。
在S308中,根据所述数据单因素回归结果与所述配置数据确定目标多因素回归方式。不做筛选的话,则使用接收到的所有自变量作为多因素回归分析的输入。根据因变量的类型自动选择相应的多因素分析方法。连续型的因变量选择线性多因素回归分析方法,分类型的因变量选择逻辑多因素回归分析方法,时间类型或者生存时间类型的因变量选择cox多因素回归分析方法。后端系统将因变量与经过上述筛选处理的自变量,将相应的多因素回归分析方法与从用户终端接收到的是否使用逐步回归的指令,一起发送至算法系统进行多因素回归分析。
在S310中,通过所述数据单因素回归结果中的大于显著性阈值的自变量数据生成部分自变量数据。
在S312中,基于所述目标多因素回归种类、所述目标多因素回归方式对所述部分自变量数据与所述因变量数据进行多因素回归分析,生成数据多因素回归结果。通过因变量数据与经过上述筛选处理的自变量及相应的多因素回归分析方法,与上述多因素回归方法相对应的R算法,生成结果。
还可将所述结果进行可视化处理,展示在用户终端。
图4是根据另一示例性实施例示出的一种医疗数据回归分析方法的示意图。如图4所示,基于所述目标多因素回归种类、所述目标多因素回归方式对所述自变量数据与所述因变量数据进行多因素回归分析,生成数据多因素回归结果包括:在所述目标多因素回归种类为比例风险多因素回归时;以及根据用户的操作自动获取用于风险多因素回归的生存时间变量。
具体而言,cox回归分析必要的输入参数有三种,分别是结局变量,生存时间变量与自变量。医护人员可直接在变量列表中选择对应的变量作为分析算法的输入,对于生存时间有两种变量选择方式,其一是直接选择一个生存时间变量,其二是选择一个时间变量作为开始时间,同时选择另一个时间变量作为结局时间,可以自动识别并计算出每一个样本对象的结局时间与开始时间之差,作为生存时间。
本领域技术人员可以理解实现上述实施例的全部或部分步骤被实现为由CPU执行的计算机程序。在该计算机程序被CPU执行时,执行本公开提供的上述方法所限定的上述功能。所述的程序可以存储于一种计算机可读存储介质中,该存储介质可以是只读存储器,磁盘或光盘等。
此外,需要注意的是,上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
下述为本公开装置实施例,可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节,请参照本公开方法实施例。
图5是根据一示例性实施例示出的一种医疗数据回归分析装置的框图。医疗数据回归分析装置50包括:数据模块502,种类模块504,方式模块506,以及分析模块508。
数据模块502用于由医疗数据中获取自变量数据,因变量数据与配置数据;医疗数据可例如为来源于真实世界临床数据库中获取数据。医疗数据可对应于不同的测量指标数据,比如血液中某项元素的含量,骨骼中某个物质的含量等等。
种类模块504用于根据所述因变量数据的数据类型确定目标多因素回归种类;其中,所述因变量数据的数据类型包括连续型,分类型,时间类型,以及生存时间类型。
其中,在所述数据类型为连续型时,所述目标多因素回归为线性多因素回归;在所述数据类型为分类型时,所述目标多因素回归为逻辑多因素回归;以及在所述数据类型为时间类型或生存时间类型时,所述目标多因素回归为比例风险多因素回归。
方式模块506用于根据所述配置数据确定目标多因素回归方式;可例如,根据所述配置数据将目标多因素回归方式确定为逐步回归方式;还可例如,根据所述配置数据将目标多因素回归方式确定为非逐步回归方式。
分析模块508用于基于所述目标多因素回归种类、所述目标多因素回归方式对所述自变量数据与所述因变量数据进行多因素回归分析,生成数据多因素回归结果。根据获取到的因变量类型,自动选择线性回归、逻辑回归、cox回归中的一种,再根据系统获取的用户所选取的多因素回归分析配置,对分析流程做出相应调整,调用相应的多因素回归分析的代码,生成统计分析结果。还可将生成的多因素统计分析结果返回至用户终端,以表格和图表的形式展现结果。
根据本公开的医疗数据回归分析装置,根据因变量数据的数据类型确定目标多因素回归种类;根据配置数据确定目标多因素回归方式;基于目标多因素回归种类、目标多因素回归方式对所述自变量数据与所述因变量数据进行多因素回归分析,生成数据多因素回归结果的方式,能够针对输入的数据,自动选用适合的多因素统计分析方法进而生成多因素统计分析结果。
图6是根据一示例性实施例示出的一种电子设备的框图。
下面参照图6来描述根据本公开的这种实施方式的电子设备200。图6显示的电子设备200仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图6所示,电子设备200以通用计算设备的形式表现。电子设备200的组件可以包括但不限于:至少一个处理单元210、至少一个存储单元220、连接不同系统组件(包括存储单元220和处理单元210)的总线230、显示单元240等。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元210执行,使得所述处理单元210执行本说明书上述电子处方流转处理方法部分中描述的根据本公开各种示例性实施方式的步骤。例如,所述处理单元210可以执行如图2,图3中所示的步骤。
所述存储单元220可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)2201和/或高速缓存存储单元2202,还可以进一步包括只读存储单元(ROM)2203。
所述存储单元220还可以包括具有一组(至少一个)程序模块2205的程序/实用工具2204,这样的程序模块2205包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线230可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备200也可以与一个或多个外部设备300(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备200交互的设备通信,和/或与使得该电子设备200能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口250进行。并且,电子设备200还可以通过网络适配器260与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。网络适配器260可以通过总线230与电子设备200的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备200使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、或者网络设备等)执行根据本公开实施方式的上述方法。
图7示意性示出本公开示例性实施例中一种计算机可读存储介质示意图。
参考图7所示,描述了根据本公开的实施方式的用于实现上述方法的程序产品400,其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本公开的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该设备执行时,使得该计算机可读介质实现如下功能:获取自变量数据,因变量数据与配置数据;根据所述因变量数据的数据类型确定目标多因素回归种类;根据所述配置数据确定目标多因素回归方式;以及基于所述目标多因素回归种类、所述目标多因素回归方式对所述自变量数据与所述因变量数据进行多因素回归分析,生成数据多因素回归结果。
本领域技术人员可以理解上述各模块可以按照实施例的描述分布于装置中,也可以进行相应变化唯一不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块,也可以进一步拆分成多个子模块。
通过以上的实施例的描述,本领域的技术人员易于理解,这里描述的示例实施例可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施例的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施例的方法。
以上具体地示出和描述了本公开的示例性实施例。应可理解的是,本公开不限于这里描述的详细结构、设置方式或实现方法;相反,本公开意图涵盖包含在所附权利要求的精神和范围内的各种修改和等效设置。
此外,本说明书说明书附图所示出的结构、比例、大小等,均仅用以配合说明书所公开的内容,以供本领域技术人员了解与阅读,并非用以限定本公开可实施的限定条件,故不具技术上的实质意义,任何结构的修饰、比例关系的改变或大小的调整,在不影响本公开所能产生的技术效果及所能实现的目的下,均应仍落在本公开所公开的技术内容得能涵盖的范围内。同时,本说明书中所引用的如“上”、“第一”、“第二”及“一”等的用语,也仅为便于叙述的明了,而非用以限定本公开可实施的范围,其相对关系的改变或调整,在无实质变更技术内容下,当也视为本公开可实施的范畴。
Claims (10)
1.一种医疗数据回归分析方法,其特征在于,包括:
由医疗数据中获取自变量数据,因变量数据与配置数据,其中,所述配置数据用于确定对医疗数据进行多因素回归分析的回归方式,所述回归方式包括:逐步回归方式或非逐步回归方式,所述逐步回归方式为剔除回归方程中非显著性变量的回归方式,所述非逐步回归方式为未剔除回归方程中非显著性变量的回归方式;
根据所述因变量数据的数据类型确定目标多因素回归种类;
根据所述配置数据确定目标多因素回归方式;以及
基于所述目标多因素回归种类、所述目标多因素回归方式对所述自变量数据与所述因变量数据进行多因素回归分析,生成数据多因素回归结果。
2.如权利要求1所述的方法,其特征在于,所述因变量数据的数据类型包括连续型,分类型,时间类型,以及生存时间类型;
根据所述因变量数据的数据类型确定目标多因素回归种类包括:
在所述数据类型为连续型时,所述目标多因素回归为线性多因素回归;
在所述数据类型为分类型时,所述目标多因素回归为逻辑多因素回归;以及
在所述数据类型为时间类型或生存时间类型时,所述目标多因素回归为比例风险多因素回归。
3.如权利要求1所述的方法,其特征在于,根据所述配置数据确定目标多因素回归方式包括:
根据所述配置数据将目标多因素回归方式确定为逐步回归方式;或
根据所述配置数据将目标多因素回归方式确定为非逐步回归方式。
4.如权利要求1所述的方法,其特征在于,还包括:
根据所述因变量数据的数据类型确定目标单因素回归种类;以及
基于所述目标单因素回归种类对所述自变量数据与所述因变量数据进行单因素回归分析,生成数据单因素回归结果。
5.如权利要求4所述的方法,其特征在于,根据所述配置数据确定目标多因素回归方式包括:
根据所述数据单因素回归结果与所述配置数据确定目标多因素回归方式。
6.如权利要求5所述的方法,其特征在于,基于所述目标多因素回归种类、所述目标多因素回归方式对所述自变量数据与所述因变量数据进行多因素回归分析,生成数据多因素回归结果包括:
通过所述配置数据确定显著性阈值;
通过所述数据单因素回归结果中的大于显著性阈值的自变量数据生成部分自变量数据;
基于所述目标多因素回归种类、所述目标多因素回归方式对所述部分自变量数据与所述因变量数据进行多因素回归分析,生成数据多因素回归结果。
7.如权利要求2所述的方法,其特征在于,基于所述目标多因素回归种类、所述目标多因素回归方式对所述自变量数据与所述因变量数据进行多因素回归分析,生成数据多因素回归结果包括:
在所述目标多因素回归种类为比例风险多因素回归时;以及
根据用户的操作自动获取用于风险多因素回归的生存时间变量。
8.一种医疗数据回归分析装置,其特征在于,包括:
数据模块,用于由医疗数据中获取自变量数据,因变量数据与配置数据,其中,所述配置数据用于确定对医疗数据进行多因素回归分析的回归方式,所述回归方式包括:逐步回归方式或非逐步回归方式,所述逐步回归方式为剔除回归方程中非显著性变量的回归方式,所述非逐步回归方式为未剔除回归方程中非显著性变量的回归方式;
种类模块,用于根据所述因变量数据的数据类型确定目标多因素回归种类;
方式模块,用于根据所述配置数据确定目标多因素回归方式;以及
分析模块,用于基于所述目标多因素回归种类、所述目标多因素回归方式对所述自变量数据与所述因变量数据进行多因素回归分析,生成数据多因素回归结果。
9.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。
10.一种计算机可读介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1-7中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811619280.9A CN111383768B (zh) | 2018-12-28 | 2018-12-28 | 医疗数据回归分析方法、装置、电子设备及计算机可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811619280.9A CN111383768B (zh) | 2018-12-28 | 2018-12-28 | 医疗数据回归分析方法、装置、电子设备及计算机可读介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111383768A CN111383768A (zh) | 2020-07-07 |
CN111383768B true CN111383768B (zh) | 2023-11-03 |
Family
ID=71221547
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811619280.9A Active CN111383768B (zh) | 2018-12-28 | 2018-12-28 | 医疗数据回归分析方法、装置、电子设备及计算机可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111383768B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113609195A (zh) * | 2021-08-04 | 2021-11-05 | 联仁健康医疗大数据科技股份有限公司 | 报告生成方法、装置、电子设备及存储介质 |
CN116228080B (zh) * | 2023-01-31 | 2023-09-19 | 上海矽为科技有限公司 | 模型训练方法、终端部署分析方法、装置、设备及介质 |
CN116230247A (zh) * | 2023-05-10 | 2023-06-06 | 南京品生医疗科技有限公司 | 数据分析方法、装置、电子设备及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102737153A (zh) * | 2011-04-07 | 2012-10-17 | 中国人民解放军第三〇二医院 | 神经网络肝纤维化诊断方法及系统 |
US8473078B1 (en) * | 2006-10-19 | 2013-06-25 | United Services Automobile Association (Usaa) | Systems and methods for target optimization using regression |
CN103544371A (zh) * | 2012-07-11 | 2014-01-29 | 尼尔森(美国)有限公司 | 评估模型稳定性和拟合度的方法和装置 |
CN104636577A (zh) * | 2013-11-07 | 2015-05-20 | 大连东方之星信息技术有限公司 | 一种应用线性回归方法的统计分析系统 |
CN105825288A (zh) * | 2015-12-07 | 2016-08-03 | 北京师范大学 | 一种消除复杂系统中回归数据共线性问题的优化分析方法 |
CN106650774A (zh) * | 2016-10-11 | 2017-05-10 | 国云科技股份有限公司 | 一种数据分析中获取因变量与自变量回归关系的方法 |
CN107967948A (zh) * | 2017-12-07 | 2018-04-27 | 泰康保险集团股份有限公司 | 医疗大数据分析方法与装置 |
CN108920453A (zh) * | 2018-06-08 | 2018-11-30 | 医渡云(北京)技术有限公司 | 数据处理方法、装置、电子设备及计算机可读介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20130082551A (ko) * | 2011-12-08 | 2013-07-22 | 한국전자통신연구원 | 임상 자료 분석 장치 및 그것의 임상 자료 분석 방법 |
-
2018
- 2018-12-28 CN CN201811619280.9A patent/CN111383768B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8473078B1 (en) * | 2006-10-19 | 2013-06-25 | United Services Automobile Association (Usaa) | Systems and methods for target optimization using regression |
CN102737153A (zh) * | 2011-04-07 | 2012-10-17 | 中国人民解放军第三〇二医院 | 神经网络肝纤维化诊断方法及系统 |
CN103544371A (zh) * | 2012-07-11 | 2014-01-29 | 尼尔森(美国)有限公司 | 评估模型稳定性和拟合度的方法和装置 |
CN104636577A (zh) * | 2013-11-07 | 2015-05-20 | 大连东方之星信息技术有限公司 | 一种应用线性回归方法的统计分析系统 |
CN105825288A (zh) * | 2015-12-07 | 2016-08-03 | 北京师范大学 | 一种消除复杂系统中回归数据共线性问题的优化分析方法 |
CN106650774A (zh) * | 2016-10-11 | 2017-05-10 | 国云科技股份有限公司 | 一种数据分析中获取因变量与自变量回归关系的方法 |
WO2018068360A1 (zh) * | 2016-10-11 | 2018-04-19 | 国云科技股份有限公司 | 一种数据分析中获取因变量与自变量回归关系的方法 |
CN107967948A (zh) * | 2017-12-07 | 2018-04-27 | 泰康保险集团股份有限公司 | 医疗大数据分析方法与装置 |
CN108920453A (zh) * | 2018-06-08 | 2018-11-30 | 医渡云(北京)技术有限公司 | 数据处理方法、装置、电子设备及计算机可读介质 |
Non-Patent Citations (2)
Title |
---|
冯启明.多元统计分析方法在医学科研中的应用.《广西医学》.2006,第28卷(第2期),第298-302页. * |
曾繁典等主编.《药物流行病学(第2版)》.中国医药科技出版社,2016,第121-122页"多因素统计分析方法的选择". * |
Also Published As
Publication number | Publication date |
---|---|
CN111383768A (zh) | 2020-07-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109460513B (zh) | 用于生成点击率预测模型的方法和装置 | |
CN109460664B (zh) | 风险分析方法、装置、电子设备及计算机可读介质 | |
CN111383768B (zh) | 医疗数据回归分析方法、装置、电子设备及计算机可读介质 | |
CN110149238B (zh) | 用于预测流量的方法和装置 | |
CN109582661B (zh) | 数据结构化评估方法、装置、存储介质及电子设备 | |
CN109840192B (zh) | 自动化测试的方法和装置 | |
CN108255476A (zh) | 用于临床数据分析的元数据驱动的程序代码生成 | |
CN109871311A (zh) | 一种推荐测试用例的方法和装置 | |
CN111191677B (zh) | 用户特征数据生成方法、装置及电子设备 | |
US20210150270A1 (en) | Mathematical function defined natural language annotation | |
CN111178687A (zh) | 金融风险分类方法、装置及电子设备 | |
CN111046085A (zh) | 数据的溯源处理方法及装置、介质和设备 | |
CN115757075A (zh) | 任务异常检测方法、装置、计算机设备及存储介质 | |
CN115936895A (zh) | 基于人工智能的风险评估方法、装置、设备及存储介质 | |
CN111582649B (zh) | 基于用户app独热编码的风险评估方法、装置和电子设备 | |
CN113053531B (zh) | 医疗数据处理方法、装置、计算机可读存储介质及设备 | |
CN110931136B (zh) | 事件的搜索方法及装置、计算机介质和电子设备 | |
CN111767290B (zh) | 用于更新用户画像的方法和装置 | |
CN112699872A (zh) | 表单审核处理方法及装置、电子设备和存储介质 | |
CN113626301A (zh) | 生成测试脚本的方法和装置 | |
CN111427874A (zh) | 医疗数据生产的质控方法、装置以及电子设备 | |
CN111079185A (zh) | 数据库信息处理的方法、装置、存储介质及电子设备 | |
CN113111897A (zh) | 基于支持向量机的接警警情类别确定方法和装置 | |
US20190258776A1 (en) | Single sample genetic classification via tensor motifs | |
CN111126649A (zh) | 用于生成信息的方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |